1. Modül 1 Hafta 1–3

   Biyomedikal Veri Temelleri

   Beş biyomedikal veri türünü, problem tiplerini ve etik çerçeveyi tanır; eksik veri, gürültü, dengesiz sınıf ve veri sızıntısı gibi tuzakları hasta-bazlı bölme ile aşar; keşifçi analiz, öznitelik mühendisliği ve PCA/UMAP ile veriyi görünür kılarsınız.

   • 01 Biyomedikal Veri Bilimi ve Yapay Zekaya Giriş 23 Eyl Problem çerçeveleme · İş akışı (pipeline)
   • 02 Biyomedikal Verinin Doğası ve Ön İşleme 30 Eyl MCAR/MAR/MNAR · İmputasyon
   • 03 Keşifçi Veri Analizi, Öznitelik Mühendisliği ve Boyut İndirgeme 7 Eki EDA · Öznitelik türetme
2. Modül 2 Hafta 4–6

   Klasik Makine Öğrenmesi

   Denetimli öğrenmeyi klinik metriklerle (ROC-AUC, duyarlılık/özgüllük, kalibrasyon) değerlendirir; Random Forest, XGBoost ve SVM ile öznitelik önemini yorumlar; kümeleme ve anomali tespitiyle hasta alt-tiplerini keşfedersiniz.

   • 04 Klasik Makine Öğrenmesi I: Denetimli Öğrenme ve Klinik Metrikler 14 Eki Lojistik regresyon · k-NN
   • 05 Klasik Makine Öğrenmesi II: Topluluk Yöntemleri, SVM ve Öznitelik Önemi 21 Eki Karar ağacı · Random Forest
   • 06 Denetimsiz Öğrenme: Hasta Alt-Tiplendirme, Kümeleme ve Anomali Tespiti 28 Eki Tatil k-means · Hiyerarşik kümeleme
3. Modül 3 Hafta 7–8

   Biyomedikal Sinyaller ve Ara Sınav

   EEG/EKG/EMG sinyallerinde filtreleme, öznitelik çıkarımı ve zaman–frekans yöntemlerini uygular; 8. haftada ilk yedi haftanın ara sınavı yapılır.

   • 07 Biyomedikal Sinyal ve Zaman Serisi Analizi: EEG, EKG, EMG 4 Kas Butterworth / notch filtre · FFT & Welch PSD
   • 08 Ara Sınav 11 Kas Ara sınav
4. Modül 4 Hafta 9–11

   Derin Öğrenme

   Yapay sinir ağlarını geri yayılım ve eğitim pratiğiyle kurar; U-Net ve transfer öğrenme ile tıbbi görüntü sınıflandırma/segmentasyon yapar; RNN/LSTM ve Transformer'ları biyomedikal dizilere ve klinik metne uygularsınız.

   • 09 Derin Öğrenmeye Giriş: Yapay Sinir Ağları, Geri Yayılım ve Eğitim Pratiği 18 Kas MLP · Geri yayılım
   • 10 Evrişimli Sinir Ağları ve Tıbbi Görüntü Analizi 25 Kas CNN · ResNet transfer öğrenme
   • 11 Dizisel Modeller: RNN/LSTM, Transformer ve Klinik Metin Analizi 2 Ara LSTM / GRU · 1D-CNN
5. Modül 5 Hafta 12–14

   Açıklanabilir ve Güvenilir Yapay Zeka

   Permütasyon önemi, PDP/ICE, SHAP, LIME, Grad-CAM ve karşıt-olgusal açıklamalarla model kararlarını yorumlar; yanlılık ve adaleti ölçer; dış doğrulama, dağıtım kayması, model kartları ve federe öğrenme ile klinik uygulamaya hazır sistemler tasarlarsınız.

   • 12 Açıklanabilir Yapay Zeka I: Yorumlanabilirlik, İçsel Modeller ve Post-hoc Yöntemler 9 Ara İçsel yorumlanabilir modeller (GAM/EBM) · Permütasyon önemi
   • 13 Açıklanabilir Yapay Zeka II: SHAP, LIME, Grad-CAM, Karşıt-Olgusal Açıklamalar ve Adalet 16 Ara SHAP (Tree/Deep/Kernel) · LIME
   • 14 Güvenilir ve Klinik Uygulamaya Hazır Yapay Zeka 23 Ara Dış / zamansal doğrulama · Kayma tespiti (PSI, KS)

Haftalık tarihler akademik takvime göre güncellenir. Bir hafta tatile denk gelirse veya ertelenirse bu sayfada ve ilgili haftanın sayfasında belirtilir. Kartlar görünümü için tüm haftalar sayfasına bakabilirsiniz.